整合基因表达和DNA甲基化数据,使用MLA-GNN来挖掘肝癌生物标志物
Chun-Yu Lu1, Zi Liu1, Muhammad Arif2
1School of information engineering, Jingdezhen Ceramic University, Jingdezhen, China.
Frontiers in genetics
|January 7, 2025
概括
早期发现肝细胞癌 (肝癌) 是至关重要的. 一个新的多级注意力图神经网络 (MLA-GNN) 模型有效地识别了FOXL2作为早期诊断和潜在治疗的有希望的生物标志物.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 基因组学就是基因组学.
背景情况:
- 肝细胞癌 (HCC) 经常表现出微妙的早期症状,导致晚期诊断和错过的治疗窗口.
- 由于高维数据,小样本大小和复杂的基因相互作用,单个omics方法在HCC的生物标志物发现方面面临挑战.
- 早期诊断和有效的生物标志物对于改善HCC患者的治疗结果和治疗策略至关重要.
研究的目的:
- 开发和验证一种新的计算模型,用于识别肝细胞癌中可靠的生物标志物,使用集成的多omics数据.
- 为了解决单个omics分析的局限性,在生物标志物发现复杂的疾病,如HCC.
- 确定肝细胞癌的新型诊断和治疗点.
主要方法:
- 提出了一种多层次注意力图神经网络 (MLA-GNN) 模型,用于对肝癌中多omics数据 (基因表达和DNA甲基化) 的综合分析.
- 实施了特征选择策略,以减少噪音和冗余,并使用卡特西亚产品方法进行多omics数据集成.
- 用于基因相互作用分析和通过MLA-GNN模型识别潜在的生物标志物的使用权重基因共同表达网络分析 (WGCNA).
主要成果:
- MLA-GNN模型成功地整合了多omics数据,并确定了与肝细胞癌相关的潜在基因.
- 通过基因本体学和生存分析,FOXL2被确定为有前途的肝癌标志物,在HCC患者中表达更高.
- 相关性分析表明FOXL2在HCC治疗中的潜在作用,特别是与lenvatinib药物结合使用.
结论:
- 开发的MLA-GNN模型提供了一种创新的方法,以克服HCC中生物标志物发现的多omics数据分析的挑战.
- FOXL2 是一种已验证的潜在生物标志物,用于早期诊断肝细胞癌,并有望用于向治疗.
- 综合的多omics分析与先进的机器学习模型 (如MLA-GNN) 结合,有效地揭示了肝癌病原和治疗的关键见解.
